英伟达、UC伯克利联合研究：条件GAN高分辨率图像合成与语义编辑pix2pixHD（论文+代码）
https://v.qq.com/txp/iframe/player.html?vid=f0502284pl3&width=500&height=375&auto=0
新智元AI World 2017世界人工智能大会开场视频
中国人工智能资讯智库社交主平台新智元主办的 AI WORLD 2017 世界人工智能大会11月8日在北京国家会议中心举行，大会以“AI 新万象，中国智能+”为主题，上百位AI领袖作了覆盖技术、学术和产业最前沿的报告和讨论，2000多名业内人士参会。新智元创始人兼CEO杨静在会上发布全球首个AI专家互动资讯平台“新智元V享圈”。
全程回顾新智元AI World 2017世界人工智能大会盛况：
新华网图文回顾
http://www.xinhuanet.com/money/jrzb20171108/index.htm
爱奇艺
上午：http://www.iqiyi.com/v_19rrdp002w.html
下午：http://www.iqiyi.com/v_19rrdozo4c.html
阿里云云栖社区
https://yq.aliyun.com/webinar/play/316?spm=5176.8067841.wnnow.14.ZrBcrm
新智元编译
来源：arxiv.org
编译：马文
【新智元导读】英伟达和UC Berkeley的研究者最近公开一个名为pix2pixHD的项目，并公开了论文和代码。pix2pixHD能够利用条件GAN进行2048x1024分辨率的图像合成和处理，输入语义标注图生成接近真实的现实世界图像，例如街景图、人脸图像等，并且只需简单的操作即可修改和搭配图像，效果优于pix2pix和CRN等先前的方法。
英伟达和UC Berkeley的研究者最近公开一个名为pix2pixHD的“用条件GAN进行2048x1024分辨率的图像合成和处理”项目，并公开了论文和代码。pix2pixHD能够利用语义标注图还原接近真实的现实世界图像，例如街景图、人脸图像等，并且只需简单的操作即可修改和搭配图像。
图：上方是输入的语义地图，下方是pix2pixHD合成图像
作者发布的视频介绍中，可以看到，你可以选择更换街景中车辆的颜色和型号，给街景图增加一些树木，或者改变街道类型（例如将水泥路变成十字路）。类似地，利用语义标注图合成人脸时，给定语义标注的人脸图像，你可以选择组合人的五官，调整大小肤色，添加胡子等。
图：左下角是人脸的语义标注图，pix2pixHD合成各种不同五官、接近真实的人脸图像。
视频介绍：
https://v.qq.com/txp/iframe/player.html?vid=n1329jvuz3a&width=500&height=375&auto=0
论文：High-Resolution Image Synthesis and Semantic Manipulation with Conditional GANs
作者：Ting-Chun Wang¹, Ming-Yu Liu¹, Jun-Yan Zhu², Andrew Tao¹, Jan Kautz¹, Bryan Catanzaro¹
¹NVIDIA Corporation ²UC Berkeley
摘要
本文提出了一种利用条件生成对抗网络（conditional GANs）来合成高分辨率、照片级真实的图像的新方法。条件GAN已经实现了各种各样的应用，但是结果往往是低分辨率的，而且也缺乏真实感。在这项工作中，我们的方法生成了2048x1024分辨率的视觉上非常棒的效果，利用新的对抗损失，以及新的多尺度生成器和判别器架构。此外，我们还将我们的框架扩展到具有两个附加特征的交互式可视化操作。首先，我们合并了对象实例分割信息，这些信息支持对象操作，例如删除/添加某个对象或更改对象类别。其次，我们提出了一种方法，可以在给定相同输入条件下生成不同的结果，允许用户交互式地编辑对象的外观。人类意见研究（human opinion study）表明，我们的方法显著优于现有的方法，既提高了图像的质量，也提高了图像合成和编辑的分辨率。
图1：我们提出了一个利用语义标注图（上图（a）的左下角）合成2048×1024分辨率图像的生成对抗框架。与以前的工作相比，我们的结果表现出更自然的纹理和细节。（b）我们可以在原始标签地图上改变标签来创建新的场景，例如用建筑物替换树木。（c）我们的框架还允许用户编辑场景中单个对象的外观，例如改变汽车的颜色或道路的纹理。请访问网站进行更多的对比和交互式编辑演示。
图2：生成器的网络架构。我们首先在较低分辨率的图像上训练一个残差网络G₁。 然后，将另一个残差网络G₂附加到G₁，然后两个网络在高分辨率图像上进行联合训练。具体来说，G₂中的残差块的输入是来自G₂的特征映射和来自G₁的最后一个特征映射的元素和。
图3：使用实例图（instance map）：（a）一个典型的语义标签图。请注意，所有汽车都有相同的标签，这使得它们很难区分开来。（b）提取的实例边界图。有了这些信息，更容易区分不同的对象。
图4：没有实例映射（instance map）和带有实例映射的结果之间的比较。可以看出，当添加实例边界信息时，相邻车辆的边界更加清晰。
图5：除了用于生成图像的标签之外，还使用 instance-wise特征。
表1：Cityscapes 数据集上不同方法得出的结果的语义分割得分。我们的结果大大优于其他方法，并且非常接近原始图像的准确率（即Oracle）。
图7：在Cityscapes数据集上的比较（语义标注图显示在（a）的左下角）。对于有VGG损失和没有VGG损失，我们的结果比其他两种方法更接近真实。可以放大图片查看更多细节。
图8：在NYU数据集上的比较。我们的方法比其他方法生成的图像更加逼真、色彩更丰富。
本研究的结果表明，条件GAN（conditional GAN）能够合成高分辨率、照片级逼真的图像，而不需要任何手工损失或预训练的网络。我们已经观察到，引入perceptual loss可以稍微改善结果。我们的方法可以实现许多应用，并且可能对需要高分辨率结果，但是预训练的网络不可用的领域有潜在的用处，例如医学成像和生物学领域。
本研究还表明，可以扩展图像-图像的合成流程以产生不同的输出，并且在给定适当的训练输入 - 输出对（例如本例中的实例图）的情况下实现交互式图像处理。我们的模型从未被告知什么是“纹理”，但能学习将不同的对象风格化，这也可以推广到其他数据集（即，使用一个数据集中的纹理来合成另一个数据集中的图像）。我们相信这些贡献拓宽了图像合成的领域，并可以应用于许多其他相关的研究领域。
论文：https://arxiv.org/pdf/1711.11585.pdf
代码：https://github.com/NVIDIA/pix2pixHD
欢迎读者朋友加入新智元读者群一起交流探讨，请加微信（备注名字+学校/企业+研究/关注领域）：aiera2015
备注（名字+学校/企业+视觉），加入计算机视觉讨论群。